Lab: Prompt Design e Classificazione Pilota

IA Generativa e Media — Settimana 4

Fabio Giglietto

DISCUI · Università degli Studi di Urbino Carlo Bo

18 marzo 2026

This Week in AI

Google introduce il watermarking invisibile con SynthID

Google DeepMind estende SynthID a tutte le immagini generate da Gemini: un watermark invisibile incorporato nei pixel che permette la rilevazione automatica dei contenuti sintetici.

Da discutere

Se il watermarking fosse universale, cambierebbe il problema dell’AI slop? O le immagini generate da modelli open source resterebbero prive di marcatura?

This Week in AI: il watermarking invisibile è un approccio tecnico al problema che gli studenti affronteranno oggi — riconoscere e classificare immagini AI-generated. SynthID funziona incorporando un segnale statistico nei pixel, invisibile all’occhio umano ma rilevabile da un classificatore. Il limite è che funziona solo per immagini generate dai modelli Google; i modelli open source (Stable Diffusion, ecc.) non lo implementano. Collegamento diretto con il progetto: le immagini AI slop nel dataset provengono probabilmente da modelli diversi, quindi il watermarking non risolve il problema della classificazione. Dedicare 5 minuti alla discussione.

This Week in AI

Dal riconoscimento automatico alla classificazione umana

• I sistemi automatici di rilevazione IA hanno ancora tassi di errore significativi
• La classificazione multimodale (immagine + contesto) è più affidabile di quella basata solo sull’immagine (Ferrara, 2026)
• Il nostro approccio LLMs-in-the-loop combina giudizio umano e IA (Marino & Giglietto, 2024)

Collegamento con il lab: oggi progetterete i prompt per far classificare le immagini a Gemini — e poi verificherete se concorda con voi.

Seconda slide TWIAI. Transizione dalla notizia al lab di oggi. Il punto chiave: anche i migliori sistemi di rilevazione automatica non sono infallibili. Per questo la metodologia LLMs-in-the-loop prevede sempre la validazione umana. Ferrara (2026) sottolinea come la proliferazione di contenuti sintetici renda sempre più difficile distinguere il reale dal generato. Il nostro approccio — classificazione con Gemini seguita da validazione umana — è esattamente la risposta metodologica a questo problema. Transizione: passiamo alla roadmap del lab.

Roadmap del lab

1. Ricapitolazione — dataset e schema di classificazione da ieri (10 min)
2. Prompt design — struttura di un buon prompt multimodale (20 min)
3. Test pilota — classificare 10-15 immagini con Gemini (30 min)
4. Raffinamento — migliorare il prompt in base ai risultati (20 min)
5. Documentazione — codebook nel foglio condiviso (10 min)

Struttura del lab. La sessione è interamente pratica dopo la breve ricapitolazione iniziale. Il flusso segue lo stesso ciclo iterativo sperimentato nel seminario Paroni: prima bozza → test → analisi degli errori → raffinamento. La differenza rispetto al seminario è che oggi lavoriamo con immagini (input multimodale) anziché con headline testuali. Ogni gruppo dovrebbe uscire dal lab con: un prompt testato e raffinato, un codebook documentato, e una classificazione pilota di 30-50 immagini.

Ricapitolazione da Ieri

Sezione 1: breve ricapitolazione di ciò che è stato definito nella sessione di lancio del progetto. Gli studenti hanno già il dataset e uno schema di classificazione.

Il dataset e il vostro schema

Il dataset (fornito)

• 420 post AI-generated da Facebook
• File CSV con metadati e metriche di engagement
• Fonte: studio Terenzi & Giglietto (Terenzi & Giglietto, 2025)
• Cartella condivisa su Google Drive

Il vostro schema (da ieri)

• Ogni gruppo ha definito un angolo di classificazione
• Categorie operazionalizzate con definizioni
• Ipotesi su quali categorie generino più engagement

Ricordate

Tutti i gruppi classificano le stesse immagini — questo permetterà il confronto inter-gruppo nella sintesi finale.

Rapida ricapitolazione. Il dataset è stato fornito dal docente: immagini AI-generated scaricate da Meta Content Library nell’ambito dello studio di Terenzi & Giglietto (2025). Il CSV contiene metadati (identificativo post, testo, pagina di origine) e metriche di engagement (reazioni, commenti, condivisioni, visualizzazioni). I nomi dei file immagine corrispondono agli identificativi nel CSV. Ieri ogni gruppo ha definito il proprio schema di classificazione: per soggetto visivo, strategia emotiva, tecnica di generazione, o intento apparente. Oggi trasformiamo quello schema in un prompt funzionante per Gemini.

Prompt Design per la Classificazione

Sezione 2: come progettare un prompt efficace per la classificazione multimodale di immagini con Gemini. Questa è la competenza centrale del lab.

Anatomia di un prompt di classificazione

Un prompt efficace per classificare immagini con Gemini ha quattro componenti (Cosenza, 2025):

Componente	Funzione	Esempio
Ruolo	Definire l’expertise dell’IA	“Sei un analista di contenuti visivi…”
Categorie	Elencare le opzioni con definizioni	“Classifica in: A, B, C, D”
Criteri	Specificare come decidere	“Considera il soggetto principale…”
Formato output	Strutturare la risposta	“Rispondi in formato tabella…”

La struttura del prompt riprende le regole di Cosenza (2025) — in particolare la regola sulla struttura Obiettivo + Istruzioni + Output. Per la classificazione multimodale aggiungiamo un elemento cruciale: le definizioni operative delle categorie, con esempi visivi descritti a parole. Questo è analogo a ciò che gli studenti hanno fatto nel seminario Paroni quando hanno dovuto definire cosa fosse “politico” per le 20 headline. Ora devono definire le proprie categorie con lo stesso rigore.

Esempio: prompt per classificazione per soggetto

Prompt di esempio

“Sei un analista di contenuti visivi specializzato nell’identificazione di immagini generate dall’IA sui social media. Ti mostrerò un’immagine da una pagina Facebook italiana. Classificala in UNA delle seguenti categorie:

1. BAMBINI — soggetto principale: minori in scene emotive (preghiera, povertà, gioco) 2. ANIMALI — soggetto principale: animali in contesti insoliti o antropomorfizzati 3. PAESAGGI — scene naturali o urbane iperrealiste 4. RELIGIONE — iconografia religiosa, figure sacre, scene devozionali 5. ALTRO — nessuna delle precedenti (specifica)

Rispondi con: CATEGORIA | CONFIDENZA (alta/media/bassa) | MOTIVAZIONE (max 20 parole)“

Esempio concreto di prompt strutturato. Questo è solo un modello — ogni gruppo adatterà le categorie al proprio schema definito ieri. Elementi chiave: (1) ruolo specifico, non generico; (2) categorie con brevi definizioni operative che riducono l’ambiguità; (3) formato output strutturato che facilita la raccolta sistematica dei dati. La colonna “confidenza” è importante: permette di identificare i casi limite che richiederanno attenzione nella validazione umana. Cosenza (2025) nella regola “Valuta” ricorda che l’output dell’IA è una bozza — la confidenza aiuta a capire dove concentrare la revisione umana.

Errori comuni nel prompt design

Da evitare

• Categorie vaghe senza definizioni
• Troppe categorie (>7 aumenta l’errore)
• Nessun esempio per i casi limite
• Output non strutturato (testo libero)

Buone pratiche

• Definizioni operative per ogni categoria
• Categoria “Altro” con obbligo di specifica
• Esempi di casi ambigui nel prompt
• Formato output tabellare o strutturato

Dal seminario Paroni

Ricordate l’Attività 1: quando Gemini non concordava con il gruppo, avete raffinato il prompt aggiungendo esempi e criteri espliciti. Oggi farete lo stesso con le immagini.

Errori tipici nel prompt design per la classificazione. Il collegamento con il seminario Paroni è diretto: nell’Attività 1, i gruppi hanno scoperto che il primo prompt generico produceva discordanze con Gemini. La soluzione era raffinare il prompt con esempi concreti, definizioni più precise, e formato di output esplicito. La stessa logica si applica qui. La differenza è che con le immagini il prompt deve descrivere a parole le caratteristiche visive che definiscono ogni categoria — non si possono inserire “esempi visivi” nel prompt testuale (anche se Gemini supporta il multimodale, per la classificazione sistematica il prompt deve essere replicabile).

Test Pilota

Sezione 3: fase pratica del test pilota. Ogni gruppo carica 10-15 immagini su Gemini e le classifica con il proprio prompt.

Workflow del test pilota

Obiettivo: testare il prompt su 10-15 immagini diverse prima di scalare a tutto il dataset.

Passo	Azione	Tempo
1	Selezionate 10-15 immagini variegate dal dataset	5 min
2	Caricate ogni immagine su Gemini con il vostro prompt	15 min
3	Registrate i risultati nel foglio condiviso	5 min
4	Annotate i casi problematici	5 min

Importante: scegliete immagini diverse tra loro — il test deve coprire la varietà del dataset.

Il test pilota è il cuore del lab. Le 10-15 immagini devono essere selezionate strategicamente: includere esempi di ciascuna categoria prevista dallo schema del gruppo, più qualche immagine potenzialmente ambigua. L’obiettivo non è classificare in massa, ma verificare che il prompt funzioni: le categorie sono chiare per Gemini? Ci sono categorie che non si applicano mai? Ci sono immagini che non rientrano in nessuna categoria? La selezione variata è fondamentale — testare solo immagini “facili” non rivela i problemi del prompt.

Cosa osservare durante il test

Per ogni immagine classificata, annotatevi:

• Gemini ha scelto la categoria che avreste scelto voi?
• La motivazione fornita da Gemini è coerente?
• La confidenza correla con la difficoltà reale del caso?
• Ci sono categorie mai usate da Gemini?
• Ci sono immagini che Gemini classifica come “Altro” ma che voi assegnereste a una categoria?

Il paradosso dell’esperto (Marino & Giglietto, 2024): Gemini potrebbe cogliere pattern che voi non notate — e viceversa. Entrambe le prospettive sono preziose.

Questa slide guida l’osservazione durante il test. Il paradosso dell’esperto, emerso nel seminario Paroni (il caso di Amedeo Matacena identificato correttamente dal modello ma non dai ricercatori), si applica anche qui: Gemini potrebbe classificare correttamente immagini che gli studenti trovano ambigue, o viceversa. Entrambi i casi sono informativi. Le annotazioni qui sono il materiale grezzo per il raffinamento del prompt nel passo successivo. Incoraggiare gli studenti a essere onesti quando Gemini ha “ragione” e loro avrebbero sbagliato.

Raffinamento del Prompt

Sezione 4: raffinamento iterativo del prompt sulla base dei risultati del test pilota. Approccio identico a quello praticato nel seminario Paroni.

L’approccio iterativo

Il ciclo è lo stesso del seminario Paroni, applicato alle immagini:

Prompt v1 → Test → Analisi errori → Prompt v2 → Test → ...

Problemi tipici

• Categoria troppo ampia (raccoglie tutto)
• Categoria troppo stretta (mai usata)
• Sovrapposizione tra categorie
• Gemini interpreta diversamente una definizione

Soluzioni

• Dividere la categoria in sotto-categorie
• Fondere con una categoria simile
• Aggiungere criteri discriminanti
• Riformulare con esempi concreti

Il raffinamento iterativo è la competenza chiave di questa sessione. Nel seminario Paroni, i gruppi hanno sperimentato come un prompt generico (“classifica queste headline come politiche o non politiche”) producesse errori, e come l’aggiunta di definizioni, esempi e formato strutturato migliorasse la concordanza. Lo stesso principio vale qui: se Gemini classifica “bambino che prega” come RELIGIONE mentre il gruppo intendeva BAMBINI, la soluzione è specificare nel prompt che la categoria è determinata dal soggetto principale, non dal contesto. Ogni discordanza è un’opportunità per migliorare il prompt E il codebook.

Esempio di raffinamento

Problema nel test	Modifica al prompt
Gemini classifica “bambino che prega” come RELIGIONE	Aggiungere: “La categoria si basa sul soggetto principale. Un bambino in contesto religioso → BAMBINI”
Tutte le immagini finiscono in “ALTRO”	Rivedere le definizioni: troppo restrittive? Aggiungere esempi
Gemini assegna confidenza “alta” a classificazioni errate	Aggiungere: “Indica confidenza ‘bassa’ se l’immagine potrebbe rientrare in più categorie”

Tre scenari concreti di raffinamento. Il primo caso illustra un problema di gerarchia tra categorie: bisogna definire un criterio di precedenza. Il secondo caso suggerisce che le definizioni sono troppo restrittive — le immagini reali nel dataset sono più varie di quanto previsto. Il terzo caso riguarda la calibrazione della confidenza: Gemini tende a essere “sicuro” anche quando non dovrebbe esserlo. In tutti e tre i casi, la soluzione è rendere il prompt più esplicito. Ricordare agli studenti che il prompt perfetto non esiste al primo tentativo — l’iterazione è parte della metodologia.

Documentazione del Codebook

Sezione 5: documentazione formale dello schema di classificazione nel codebook. Questo documento servirà sia per la classificazione con Gemini sia per la validazione umana nella settimana 5.

Struttura del codebook

Il codebook è il documento di riferimento per la classificazione — vale sia per Gemini che per i codificatori umani:

Elemento	Descrizione	Esempio
Categoria	Nome	BAMBINI
Definizione	Cosa include ed esclude	Minori come soggetto principale, in qualsiasi contesto
Esempi tipici	2-3 casi chiari	Bambino che prega, gruppo di bambini sorridenti
Casi limite	Regole per ambiguità	Se bambino + animale → soggetto in primo piano prevale
Decisione	Come risolvere i dubbi	In caso di dubbio, scegliere la categoria del soggetto più prominente

Il codebook è un documento metodologico fondamentale. Nel seminario Paroni, le regole di classificazione erano implicite (la definizione ampia di “politico”) e questo ha generato disaccordi. Per il progetto serve un codebook esplicito che elimini l’ambiguità — o almeno la riduca. Il codebook serve a due scopi: (1) istruire Gemini con il prompt, (2) guidare la classificazione umana nella settimana 5. Se le regole sono diverse per IA e umani, il confronto non ha senso. Ogni gruppo documenta il codebook in un tab dedicato del foglio Google Sheets condiviso.

Dove documentare

Nel foglio Google Sheets condiviso, create un tab “Codebook”:

• Colonna A: Nome categoria
• Colonna B: Definizione operativa
• Colonna C: Esempi tipici (descrizione testuale)
• Colonna D: Casi limite e regole di decisione
• Colonna E: Note dal test pilota

Il prompt finale va copiato in un secondo tab “Prompt” — è parte integrante della metodologia e andrà nell’appendice del relazione.

Suggerimento

Documentate anche le versioni precedenti del prompt. La storia delle iterazioni sarà utile per la sezione Metodo del relazione.

Indicazioni operative sulla documentazione. Il foglio condiviso è il repository centrale del gruppo. Il tab Codebook deve essere compilato da tutti i membri — non solo dall’AI analyst. Il prompt finale nel tab “Prompt” serve per la riproducibilità: nella sezione Metodo del relazione, i gruppi dovranno descrivere esattamente come hanno istruito Gemini. Conservare le versioni precedenti del prompt (v1, v2, ecc.) è utile per raccontare il processo iterativo. Questo riflette il principio di trasparenza della metodologia LLMs-in-the-loop: ogni decisione deve essere documentata e giustificabile.

Lavoro Pratico

Sezione 6: inizio del lavoro pratico in gruppi. I gruppi lavorano autonomamente seguendo il workflow completo.

Istruzioni per il lavoro di gruppo

Workflow del lab (80 minuti)

1. Prompt drafting — scrivete il prompt con le vostre categorie (20 min)
2. Test pilota — classificate 10-15 immagini con Gemini (30 min)
3. Raffinamento — migliorate il prompt in base agli errori (20 min)
4. Codebook — documentate tutto nel foglio condiviso (10 min)

Divisione dei compiti suggerita:

• AI analyst: scrive e testa il prompt su Gemini
• Validatore: classifica le stesse immagini indipendentemente (senza vedere Gemini)
• Data analyst: registra risultati e discordanze nel foglio
• Coordinatore: gestisce i tempi e documenta il codebook

Fase pratica del lab. I ruoli ricalcano quelli definiti ieri nel lancio del progetto. Il punto chiave è che il validatore classifica le stesse 10-15 immagini in modo indipendente, senza vedere i risultati di Gemini. Questo crea un primo mini-confronto umano-IA che anticipa la validazione formale della settimana 5. Le discordanze sono il materiale più prezioso: ogni caso in cui umano e Gemini non concordano rivela un problema nel prompt, nel codebook, o in entrambi. Il docente e i tutor circolano tra i gruppi per assistenza.

Checklist di fine lab

Prima di uscire, ogni gruppo verifica:

• Prompt testato su almeno 10-15 immagini
• Prompt raffinato sulla base dei risultati del test
• Codebook documentato nel tab dedicato del foglio condiviso
• 30-50 immagini classificate (pilota + estensione)
• Prompt finale copiato nel tab “Prompt” del foglio

Per martedì

Martedì scalerete la classificazione a tutte le 420 post. Il prompt deve essere pronto e testato. Se restano dubbi, raffinate tra oggi e martedì.

Checklist di verifica. Passare tra i gruppi negli ultimi 10 minuti per verificare che tutti abbiano completato almeno i primi tre punti. I gruppi più veloci avranno già classificato 30-50 immagini; quelli più lenti dovranno avere almeno il prompt testato e il codebook. Lunedì la sessione è dedicata alla classificazione su scala dell’intero dataset: serve un prompt che funzioni bene. Se un gruppo ha ancora problemi significativi (troppe discordanze, categorie poco chiare), suggerire di semplificare lo schema riducendo il numero di categorie. Meglio poche categorie ben definite che molte categorie ambigue.

Grazie!

Prossima lezione: Lab — Classificazione su Scala con Gemini (24 Marzo 2026)

📧 fabio.giglietto@uniurb.it

🌐 blended.uniurb.it

Chiusura. Ricordare: (1) verificare che il codebook e il prompt siano documentati nel foglio condiviso, (2) se il prompt ha ancora problemi, raffinarlo tra oggi e martedì, (3) martedì lavoreremo alla classificazione dell’intero dataset di 420 post con Gemini — portare i laptop carichi, (4) il prompt testato oggi è lo strumento che userete per tutta la settimana 5.

Riferimenti

Cosenza, V. (2025). Esercizi di Intelligenza Aumentata: Imparare a Collaborare con le I.A.

Ferrara, E. (2026). The Generative AI Paradox: GenAI and the Erosion of Trust, the Corrosion of Information Verification, and the Demise of Truth [Manoscritto].

Marino, G., & Giglietto, F. (2024). Integrating Large Language Models in Political Discourse Studies on Social Media: Challenges of Validating an LLMs-in-the-loop Pipeline. Sociologica, 18(2), 87–107. https://doi.org/10.6092/issn.1971-8853/19524

Terenzi, M., & Giglietto, F. (2025). From AI Slop to Strategic Virality: The Impact of Synthetic Visuals on Public Discourse in Italian Facebook Communities [Manoscritto].